ILILT: Implicit Learning of Inverse Lithography Technologies

光刻技术是现代半导体制造流程中最重要的阶段，用于将芯片设计掩模转移到硅片上。由于光刻系统的限制，需要进行广泛的设计优化来解决设计和硅之间的不匹配问题。反向光刻技术（ILT）是进行预制优化的一种有前途的解决方案，称为掩模优化。由于掩模优化问题的约束非凸性，数值ILT求解器在避免陷入次优解时需要非常依赖于良好的初始化。因此，机器学习（ML）技术被提出来为ILT求解器生成掩模初始化，以实现一次推断，从而在ILT期间实现更快和更好的收敛。本文探讨了一个问题：\textit{ML模型是否可以直接生成高质量的优化掩模，而不需要将ILT求解器纳入其中}。我们提出了一种隐式学习ILT框架：ILILT，它利用隐式层学习方法和光刻条件输入来对模型进行约束。ILILT被训练以了解ILT优化过程，可以胜过最先进的机器学习解决方案，显著提高效率和质量。

该论文旨在探讨机器学习技术在芯片制造中的应用，特别是在光刻过程中的掩模优化问题上。论文试图回答一个问题：机器学习模型是否能够直接生成高质量的优化掩模，而不需要涉及到光刻技术？

该论文提出了一种名为ILILT的隐式学习ILT框架，该框架结合了隐式层学习方法和光刻条件输入，训练模型理解ILT优化过程，并能够直接生成高质量的优化掩模。

论文通过实验展示了ILILT的有效性，比当前最先进的机器学习解决方案更快、更高效。同时，论文还介绍了使用的数据集和实验设计，并提供了开源代码。这项工作有望在芯片制造领域产生重要影响。

在相关研究方面，最近的一些研究包括：《基于深度学习的掩模优化》、《使用生成对抗网络进行光刻掩模优化》等。